用彩色多普勒心声图像对膜回的自动细分和评估图像:一个VABC-UNet基础的框架
Jun Huang1, Aiyue Huang1, Ruqin Xu2
1School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China.
Bioengineering (Basel, Switzerland)
|November 25, 2023
概括
一个新的深度学习模型,VABC-UNet,从心声图像中准确地细分和分类 mitrale regurgitation (MR) 和三角管 regurgitation (TR). 这种自动化框架提高了对心脏膜疾病的诊断效率和精度.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 膜回,特别是双肩回 (MR) 和三回 (TR),是常见的心脏疾病,需要准确的诊断.
- 目前的诊断方法可以耗费大量的时间,并受到观察者之间的变化.
- 对心声回声图像的自动化分析有望提高诊断效率和准确性.
研究的目的:
- 开发和评估基于深度学习的框架,用于MR和TR的自动细分和分类.
- 评估拟议的VABC-UNet模型的性能,并将其与膜反分析的现有模型进行比较.
- 建立一个自动化系统来分级MR和TR的严重程度.
主要方法:
- 设计了一个VABC-UNet模型,包括VGG16编码器,U-Net解码器,批量规范化,注意力块和深化卷积层.
- VABC-UNet框架在315张MR和/或TR的彩色多普勒心声图像上进行了训练和测试.
- 使用Dice,Jaccard,Precision和Recall指标评估性能,将VABC-UNet与U-Net和VGG16-UNet进行比较.
主要成果:
- 与U-Net和VGG16-UNet相比,VABC-UNet模型在细分膜反喷流和心房方面表现出优异的性能.
- 该框架在分类MR/TR和分级其严重程度 (轻度至严重) 方面取得了更高的准确性.
- VABC-UNet的结果是伪细分和过分细分显著减少,所有评估指标的实质性改进 (p < 0.05).
结论:
- 基于VABC-UNet的框架有效地自动化了MR和TR的细分,分类和评估.
- 这种深度学习方法在诊断回时提供了更高的准确性和效率.
- 拟议的框架有可能成为放射科医生在心脏膜疾病的临床决策中提供有价值的工具.
